XiaoMi-AI文件搜索系统
World File Search System耗力
PHASUITE：一种自动化 HAZOP 分析工具...
危险与可操作性分析 (HAZOP) 被广泛应用于化工过程的过程危险分析。但它非常耗时耗力。为了帮助人类专家更彻底、更系统地开展 HAZOP 分析，已经开发出一种用于自动化 HAZOP 分析的软件系统 (PHASuite)。PHASuite 可以大大提高 HAZOP 分析的效率，支持最佳分析实践，并为重用分析生成的安全知识奠定基础。鉴于 HAZOP 分析的知识密集型性质，开发了一种知识工程框架。从功能的角度来看，该框架由四个主要部分组成：信息共享、表示、知识库和推理引擎。开发了基于本体的信息共享方案，以便与其他系统共享过程信息和结果。基于过程信息创建的彩色 Petri 网表示法用于表示化学过程以及 HAZOP 分析方法。在这个框架中，一个过程被分解为两个抽象层次，即操作层和设备层，它们之间用功能表示连接起来。分析在这两个层次上进行。该系统使用的知识存储在模型中。知识管理采用基于案例的技术。知识库存储在外部结构化数据库中。设计了一个两级、两层的推理引擎，使用知识库对过程的 Petri 网表示进行操作，以执行 HAZOP 分析。
基于深度学习的多模态肿瘤分割方法：叙述性综述
准确地描绘肿瘤形状，使得多模态成像在肿瘤分割任务中具有优势（2,3）。例如，在脑胶质瘤的分割中，四个 MRI 序列 T1、T2、T1ce 和液体衰减反转恢复 (FLAIR) 提供了关于脑内肿瘤形状和其他病变结构的互补信息（4,5）。同样，在头颈部肿瘤分割中，PET 和 CT 图像可以提供有关肿瘤位置和轮廓的附加信息（6）。手动肿瘤分割是计算机辅助诊断 (CAD) 系统中常用的技术，但由于医生经验的主观性，它具有局限性，可能导致偏差，并且耗时耗力（7）。因此，准确的自动分割至关重要。近年来，深度学习 (DL) 技术，例如卷积神经网络 (CNN)，已广泛应用于大脑 (8)、头颈部 (9) 和肺部 (10) 等各个身体部位的多模态肿瘤分割任务。这些技术的基本思想是从训练数据中学习肿瘤特征，自动分割未知数据中的肿瘤，从而降低人工分割成本，提高分割精度。基于多模态深度学习的肿瘤分割算法已成为一种流行趋势，并因实现肿瘤的精准分割而受到越来越多的关注。本研究对多模态肿瘤分割的深度学习算法进行了全面的概述，包括公开数据集、评估方法、分割网络、常用技术以及各种多模态数据融合方法下的评估指标分析。来自公开挑战赛（https://grand-challenge.org）的基准数据集可以验证肿瘤分割
非对称毛细管力引导的激光打印微柱手性组装
可控的方式。[6] 然而，自上而下的技术不可扩展，且大多数技术耗时耗力，从而阻碍了它们的潜在应用。特别是手性微结构可以通过调制飞秒激光焦点的单次曝光快速制造。[7] 其几何形状严格由可实现的结构化焦点决定，并且得到的表面质量相当差。相反，自下而上的方法提供了一种经济高效且可扩展的替代方法，通过由不同材料（如共聚物、[8] 肽、[9] 纳米粒子 [10] 和 DNA 四面体 [11] 制成的亚基的顺序自组装来创建分层纳米结构。不幸的是，由于自发自组装过程的固有特点，对几何形状、空间排列、规律性和螺旋性的精确控制非常困难。自上而下和自下而上相结合的混合制造技术的最新进展有望克服上述一些限制。[12] 特别是，通过介导弹性毛细管相互作用的毛细管力驱动自组装引起了人们的极大兴趣，因为它具有简单性和可扩展性的独特优势，[13] 并且在一定程度上已用于混合制造策略。基于光刻的技术已经实现中尺度刷毛的制造，并且通过利用弹性毛细管聚结已经得到高度有序的螺旋簇。[14] 然而，由于圆形原纤维具有旋转对称性，因此单个簇所实现的手性是随机的。虽然可以通过将横截面渲染为矩形来获得特定的手性重排，但手性的可调性仍然有限。利用电子束光刻技术实现10纳米级的纳米柱，然后通过毛细管力诱导的纳米内聚力进行自组装。[15] 利用多光束干涉光刻技术，结合溶液蒸发过程中的毛细管力，制备并组装大面积图案化微柱。[16] 我们之前的研究表明，可以利用毛细管力来驱动直柱生成具有高度可控性的分级微结构。[17] 然而，由于毛细管力在微尺度上很难利用，它们都无法实现可控的手性结构。因此，开发一种简便、可控、高效的功能手性结构制备方法是十分有必要的。
医学图像分割与分类的文献综述
1 简介 脑肿瘤是一团异常细胞。它有两种类型：恶性和良性。脑肿瘤症状可以是一般的，也可以是预先定义的。一般症状是由肿瘤压迫大脑或脊髓引起的。当大脑的某个部分由于肿瘤而无法正常运作时，就会出现预先定义的症状。研究人员应用不同的成像方式从几个医学成像系统中检测解剖结构 [1, 2]。脑肿瘤分割已被用于定义肿瘤区域，以帮助诊断疾病和选择治疗疾病的最佳方法。它是一种将肿瘤的一部分从整个图像中分离出来的工具。手动肿瘤分割方法耗时耗力，因此也会导致疾病的误诊。脑肿瘤分割方法分为阈值和区域生长等几种类型 [3, 4]。医学图像分割是疾病诊断的重要阶段。医学图像分割的目的是检测所需区域，以帮助专家更好地诊断疾病。它根据确定性描述将图像划分为多个区域，例如医学应用中的身体器官分割 [5]。分割是图像处理的重要工具。图像分割用于将图像分割为不同数量的对象和离散区域。图像分割的结果是组成整个图像的一组部分或从图像中截取的一组线。可以实施不同的方法来划分图像。分割方法包括阈值、聚类、基于边缘、基于区域、基于图形、分水岭和活动轮廓分割技术 [6]。医学图像分类是图像分类领域最重大的难题之一。它旨在将医学图像分为几类，以帮助专家进行疾病诊断或进一步研究。总体而言，医学图像分类分为两个步骤：特征提取步骤和分类步骤。在分类问题中，使用算法将测试数据准确地分类为预定义的类别。常见的分类算法类型有线性分类器、支持向量机、决策树和随机森林分类器 [7]。
基于能量的目标特定药物生成模型...
自 20 世纪 90 年代基因组学时代来临以来，药物发现经历了从表型方法到基于靶标的方法的转变（ Swinney 和 Anthony，2011 ）。人类基因组编码的大多数药物靶标都是复杂的多聚体蛋白质，通过与药物分子结合可以改变其活性（ Overington 等人，2006 ）。配体化合物是一种物质，如果它们在结构上互补，则能与蛋白质靶标的结合位点形成复合物以产生治疗效果（见图 1 ）。在分子空间中导航以寻找具有高结合亲和力的分子化合物称为靶标特定的从头药物发现。传统上，最初通过筛选市售化合物库来识别配体，然后将其逐一与蛋白质靶标对接。这种配体的发现和优化过程可能非常耗时耗力，而且成功率较低（Keserü 和 Makara，2009 年）。计算方法可以有效地加速药物开发的几乎每个阶段。大多数计算方法都基于生成机器学习模型，例如生成对抗网络 (GAN) 和变分自编码器 (VAE)（De Cao 和 Kipf，2018 年；Li 和 Ghosh，2022 年）。然而，这些生成模型几乎不适用于针对特定目标的药物发现，因为它们仅仅学习分子分布。文献中也存在一些针对特定目标的计算方法。例如，Gupta 等人（2018 年）开发了一个生成 RNN-LSTM 模型来生成有效的 SMILES 字符串，并使用已知针对特定蛋白质靶标的活性药物对该模型进行微调。不幸的是，这种关于蛋白质结合剂的先验知识有时是无法获得的，尤其是对于新发现的靶标。Grechishnikova 的一项最新研究（2021 年）通过将靶标特异性药物设计定义为机器翻译问题，释放了这一限制。然而，这种非生成模型设计仅提供从靶标到配体的概率映射，因此无法对药物靶标的配体候选物进行采样。CogMol
基于新型人工智能的蜂巢视觉监测在生态毒理学和景观结构监测中的当前成就和未来发展
简介 蜜蜂群落可以充当有害物质的探测器，通过高死亡率发出有毒分子存在的信号，或者在花粉、花蜜或幼虫中积累非急性致命物质（如重金属、杀菌剂和除草剂）的残留物（Celli，1983 年；Porrini 等人，2002 年）。它们于 1935 年首次被用作监测环境质量的生物指标（Crane，1984 年）。农药使用检测是蜜蜂监测应用的研究领域之一（Atkins 等人，1981 年；Celli，1983 年；Mayer 和 Lunden，1986 年；Mayer 等人，1987 年；Celli 等人，1988 年；Celli 和 Porrini，1991 年；Celli 等人，1991 年；Porrini 等人，1996 年）。由于蜂群中约四分之一的居民是活跃的觅食者，因此蜂群的状况反映了其栖息地的状态。使蜂群成为特别合适的环境指标的必要条件包括：养蜂人可以轻松饲养蜂群，觅食者可以覆盖大片区域，并且出于自身利益而收集花粉或花蜜等样本。（Celli 和 Maccagnani，2003 年）。蜜蜂群的发展取决于许多因素，包括但不限于蜂王年龄、营养、蜂群强度、病原体和寄生虫以及区域特性。因此，需要大量样本才能客观地了解蜜蜂危害的因果关系。在旨在了解蜜蜂群落崩溃原因的德国蜜蜂项目中，2004 年至 2009 年间，在全国 125 个地方监测了 1,200 多个蜂巢。这项研究揭示了许多相关性，但也留下了一些问题。作者推测，适合记录亚致死或慢性影响的研究设计可能会揭示出杀虫剂对蜂群崩溃的负面影响，而他们无法检测到这种负面影响。（Genersch 等人，2010 年）。因为使用蜜蜂作为生物指标的大规模研究非常耗时耗力，所以它们的数量仍然很少。1978 年，Giordani 等人证明了氯化烃杀虫剂硫丹的剧毒作用。然而，需要很多年的时间和几项研究才能提供足够的证据来改变对该物质的使用限制。后来，在意大利北部的一个大规模监测项目中，记录了数百个蜂巢在农业产生的高和低化学压力下的蜜蜂死亡率。通过分析伤亡人数特别多的蜂巢中的死蜂，能够确定造成 76% 已记录的大规模死亡的分子。然而，作者提到的设计的一个缺点是，收集到的死蜂数量只是一个保守估计，因为无法记录现场致死剂量造成的损失。（Celli 和 Maccagnani，2003 年）。这些研究展示了蜜蜂监测在各个领域的潜力，从农药监管到蜜蜂健康研究的普遍进展。然而，它们是先驱项目，并不代表通常的研究方式。到目前为止，因子分析和预防活动主要建立在少数蜂巢的快照数据上，这些数据可以更经济地收集。技术的使用可以帮助降低劳动强度，从而降低此类项目的成本。最近开发了一些基于不同技术的系统，但仍然存在缺陷。有些计数系统试图量化入口处的进出蜜蜂，例如带电容检测的 BeeCheck（Gombert 等人，2019 年）。由于它们的设计，计数系统只能记录短距离内的传粉者。它们的感官原始数据的信息内容大大减少，无法用成像方法进行评估。在复杂的情况下，例如蜜蜂相互踩踏或形成群体，它们很容易出现测量不准确，因此不适合对死亡率进行可靠的评估。借助视觉系统，可以通过一系列图像跟踪每只动物。第一批科学研究已经可以展示原型系统，该系统使用蜂巢入口处的摄像系统来确定寄生虫感染情况（Schurischuster 等人，2018 年）。从 2017 年到 2020 年，欧盟资助的 IoBee 项目旨在通过蜂群数据联网来确定全球蜜蜂种群的变化。该项目使用蜂巢入口处的摄像系统来确定寄生虫感染情况（Schurischuster 等人，2018 年）。从 2017 年到 2020 年，欧盟资助的 IoBee 项目旨在通过蜂群数据联网来识别全球蜜蜂种群的变化。该项目使用蜂巢入口处的摄像系统来确定寄生虫感染情况（Schurischuster 等人，2018 年）。从 2017 年到 2020 年，欧盟资助的 IoBee 项目旨在通过蜂群数据联网来识别全球蜜蜂种群的变化。
博士奖学金：通过使用人工智能增强可持续性指标 (ASMAI) 描述：可持续性由三个关键部分组成 - 环境、经济和社会方面 - 必须对所有这些方面进行评估和平衡，以改进现有或开发新的可持续产品、服务和/或系统。这些标准的投入、产出和影响是使用生命周期可持续性评估 (LCSA) 方法和工具来衡量的，这些方法和工具支持许多工业和商业部门的明智决策。材料关键性评估增强了 LSCA，这是一种越来越重要的手段，用于监控一组具有高经济和技术重要性的资源的供应链风险和安全性。尽管 LCSA 和 MCA 是全球可持续发展的宝贵辅助手段，但它们耗时耗力，因此经常被忽视、利用不足或利用不当。将人工智能应用于 LCSA 和 MCA 活动并加以整合具有巨大的潜力，可以加速可持续实践的发展以及从线性经济向循环经济的转变。在 LCA 中使用人工智能是一项新兴活动，因此，该项目为世界领先的创新提供了潜力，将直接增强可持续性指标并鼓励更明智的可持续发展。
博士奖学金：通过使用人工智能 (ASMAI) 增强可持续性指标描述：可持续性由三个关键部分组成 - 环境、经济和社会方面 - 必须对所有这些部分进行评估和平衡，以改进现有或开发新的可持续产品、服务和/或系统。这些标准的投入、产出和影响是使用生命周期可持续性评估 (LCSA) 方法和工具来衡量的，这些方法和工具支持许多工业和商业部门的明智决策。材料关键性评估增强了 LSCA，这是一种越来越重要的手段，用于监控一组具有高经济和技术重要性的资源的供应链风险和安全性。尽管 LCSA 和 MCA 是全球可持续发展的宝贵辅助手段，但它们耗费时间和资源，因此经常被忽视、利用不足或利用不当。在 LCSA 和 MCA 活动中使用和整合 AI 具有巨大的潜力，可以加速可持续实践的发展以及从线性经济向循环经济的转变。在 LCA 中使用 AI 是一项新兴活动，因此，该项目为世界领先的创新提供了潜力，将直接增强可持续性指标并鼓励更明智的可持续发展。